Кореляційний аналіз у психології: напрям, сила зв’язку та коректна інтерпретація
Оновлено: 8 жовт.
Автор: Український психологічний ХАБ · Опубліковано: 7 жовтня 2026 · Редакційна політика
Кореляційний аналіз — це сукупність статистичних способів оцінити, чи змінюються дві змінні разом, у якому напрямі та наскільки вираженим є їхній зв’язок. У психології він допомагає кількісно описувати асоціації між показниками, порівнювати силу зв’язків, оцінювати невизначеність і будувати основу для подальших моделей. Сам коефіцієнт кореляції не визначає дослідницький дизайн і не встановлює причинний ефект.
Ключове розрізнення цієї сторінки таке: кореляційне дослідження описує, як отримано дані; кореляційний аналіз описує статистичну процедуру оцінювання зв’язку; кореляція і причинність — окреме питання про те, які причинні висновки підтримує дизайн і набір припущень. Одна й та сама кореляційна статистика може з’являтися в різних дизайнах, а наявність кореляції не перетворює спостережувальні дані на експеримент.
Найпоширеніші коефіцієнти — r Пірсона для лінійного зв’язку та ρ Спірмена для монотонного рангового зв’язку. Обидва набувають значень від −1 до +1, але відповідають на різні статистичні питання. Огляд Schober, Boer і Schwarte підкреслює, що вибір коефіцієнта має відповідати типу даних і формі зв’язку, а інтерпретація потребує не лише числа, а й аналізу графіка, невизначеності та контексту.
Що саме оцінює кореляційний аналіз
Кореляційний аналіз починається з пар спостережень. Для кожної одиниці аналізу — людини, пари, групи, моменту часу або іншої визначеної одиниці — маємо значення X і Y. Коефіцієнт узагальнює, наскільки систематично більші або менші значення однієї змінної поєднуються з більшими або меншими значеннями іншої.
У найпростішому читанні є три характеристики. Напрям показує знак: додатний коефіцієнт означає, що більші X у середньому пов’язані з більшими Y; від’ємний — що більші X пов’язані з меншими Y. Величина абсолютного значення показує, наскільки дані відповідають тій формі зв’язку, яку вимірює обраний коефіцієнт. Форма визначає, що саме вважається узгодженим патерном: для Пірсона це передусім лінійність, для Спірмена — монотонність.
Звідси випливає важливе правило: r = 0 не означає «між змінними немає жодного зв’язку». Воно означає відсутність лінійної кореляції Пірсона в цих даних. Сильна U-подібна залежність може мати r, близьке до нуля. Аналогічно ρ Спірмена, близьке до нуля, не виключає немонотонної залежності. Кореляційний коефіцієнт завжди треба читати як відповідь на конкретно визначене статистичне питання.
Спочатку графік, потім коефіцієнт
Число стискає двовимірну структуру даних до одного показника. Це зручно і водночас небезпечно: різні хмари точок можуть мати однакові або дуже подібні середні, дисперсії, регресійні оцінки й кореляції. Класична робота Френсіса Анскомба показала цю проблему на чотирьох наборах даних із майже однаковими числовими підсумками та радикально різною геометрією.
Тому перед обчисленням і перед змістовною інтерпретацією кореляції варто подивитися на діаграму розсіювання. Вона допомагає побачити нелінійність, окремі кластери, викиди, стельові та підлогові ефекти, обмежений діапазон значень, неоднакову варіативність Y за різних X та інші структури, які один коефіцієнт приховує.
Графік також захищає від хибного відчуття точності. Наприклад, r = .60 може відображати справді щільний лінійний патерн, а може бути майже повністю створене одним екстремальним спостереженням. І навпаки, r = .05 може виникнути в даних із вираженою криволінійною залежністю. Коректний аналіз спочатку перевіряє структуру даних, а вже потім узагальнює її статистикою.
Коефіцієнт кореляції Пірсона r
Коефіцієнт Пірсона r вимірює силу й напрям лінійного зв’язку між двома кількісними змінними. Його можна розглядати як стандартизовану коваріацію: коваріація X і Y ділиться на добуток їхніх стандартних відхилень. У вибірці формулу можна записати так: r = Σ(xᵢ − x̄)(yᵢ − ȳ) / √[Σ(xᵢ − x̄)² · Σ(yᵢ − ȳ)²].
Стандартизація робить r безрозмірним і обмежує його діапазон від −1 до +1. r = +1 відповідає ідеальному додатному лінійному зв’язку, r = −1 — ідеальному від’ємному, r = 0 — відсутності лінійної кореляції. Зміна одиниць вимірювання, наприклад сантиметрів на метри, не змінює r, якщо перетворення лінійне та не змінює напрям шкали.
Для самого обчислення r не потрібно, щоб кожна змінна окремо була «нормальною». Нормальність стає важливою насамперед для класичного параметричного висновку про генеральну кореляцію: стандартні тести й інтервали мають припущення щодо механізму вибірки та розподілу, часто сформульовані через двовимірну нормальність. Так само незалежність пар спостережень не можна ігнорувати: повторні вимірювання тієї самої людини або кластеризовані дані потребують методів, які враховують залежність.
Практично найважливіші передумови змістовної інтерпретації r — лінійна форма зв’язку, адекватний діапазон даних, відсутність домінування одиничних викидів і коректно визначена одиниця аналізу. de Winter, Gosling і Potter на симуляціях і психологічних даних показали, що порівняння Пірсона та Спірмена залежить від форми розподілів, хвостів і викидів: механічне правило «нормально — Пірсон, ненормально — Спірмен» занадто грубе.
Коефіцієнт кореляції Спірмена ρ
Коефіцієнт Спірмена ρ оцінює монотонний зв’язок через ранги. Якщо зі зростанням X значення Y послідовно мають тенденцію зростати, ρ буде додатним; якщо спадати — від’ємним. Зв’язок може бути криволінійним, але поки його напрям не змінюється, ранговий коефіцієнт здатен добре його відображати.
Спірмен особливо корисний для порядкових даних, а також у ситуаціях, де відстані між числовими значеннями не варто трактувати буквально. Він часто стійкіший до крайніх значень, бо використовує порядок, а не самі відстані. Водночас це не означає, що Спірмен «не має припущень» або автоматично є правильним вибором для будь-яких ненормальних даних. Йому теж потрібні незалежні спостереження для стандартного висновку, а змістовна інтерпретація залежить від монотонності й структури даних.
Докладно формулу, ранги, зв’язані ранги, припущення та приклади розібрано в окремій канонічній статті «Коефіцієнт кореляції Спірмена: що показує ρ, коли застосовувати і як інтерпретувати».
Пірсон чи Спірмен: як обирати без механічних правил
Вибір починається з дослідницького питання. Якщо вас цікавить саме лінійна асоціація між двома кількісними змінними, r Пірсона безпосередньо відповідає цьому питанню. Якщо дані порядкові або запит стосується монотонного рангового зв’язку, ρ Спірмена природніше відповідає шкалі й формі зв’язку.
Далі дивляться на графік і вплив окремих спостережень. Якщо один або кілька викидів радикально змінюють r, це не аргумент автоматично перейти на Спірмена й забути проблему. Спершу потрібно зрозуміти походження таких значень: помилка введення, валідне рідкісне спостереження, інша підгрупа, обмеження вимірювання чи реальна особливість популяції. Різні рішення відповідають різним науковим ситуаціям.
Пірсон і Спірмен можуть давати близькі значення, а можуть істотно відрізнятися. Відмінність сама по собі містить інформацію: вона може вказувати на нелінійність, важкі хвости, викиди або іншу структуру рангової та метричної залежності. Порівнювати коефіцієнти варто як частину аналізу чутливості, а не як спосіб вибрати той результат, який має менше p-значення.
Інші коефіцієнти кореляції та міри асоціації
Кореляційний аналіз не вичерпується Пірсоном і Спірменом. τ Кендалла також оцінює рангову монотонну асоціацію й часто має зрозумілу інтерпретацію через узгоджені та неузгоджені пари. У невеликих вибірках або за великої кількості однакових рангів він може бути корисною альтернативою Спірмену.
Для однієї двійкової та однієї кількісної змінної застосовують точково-бісеріальну кореляцію; математично вона є спеціальним випадком Пірсона за відповідного кодування двійкової змінної. Для двох двійкових змінних коефіцієнт φ описує асоціацію в таблиці 2×2. Для номінальних змінних із більшою кількістю категорій частіше використовують міри асоціації на основі χ², наприклад V Крамера; вони вже не мають знака «плюс/мінус» у тому самому сенсі.
У психологічному вимірюванні також існують поліхоричні та тетрахоричні кореляції, які спираються на модель латентних неперервних змінних за категоріальними спостереженнями. Їхній вибір залежить від моделі вимірювання, тому детальні питання шкал, надійності, психометричної валідності, факторного аналізу та інваріантності належать до окремого психометричного контуру, а не до загального кореляційного аналізу.
Напрям кореляції: що означають «плюс» і «мінус»
Знак коефіцієнта описує напрям асоціації в обраній системі кодування. Додатна кореляція означає, що більшим значенням X у середньому відповідають більші значення Y. Від’ємна означає, що більшим X відповідають менші Y. Нульовий або близький до нуля коефіцієнт означає, що конкретний тип асоціації, який вимірює статистика, слабкий або не виявлений.
Знак не має універсального психологічного значення. Якщо високий бал однієї шкали означає більше благополуччя, а високий бал іншої — більше симптомів, від’ємна кореляція може бути теоретично очікуваною. Якщо дослідник інвертує напрям однієї шкали, знак зміниться, хоча геометрія зв’язку залишиться еквівалентною. Тому інтерпретація завжди починається з того, що саме означають високі та низькі значення кожної змінної.
Сила зв’язку: чому немає універсальної таблиці «слабкий — середній — сильний»
Абсолютне значення коефіцієнта зростає від 0 до 1, але межі «слабкої», «помірної» та «сильної» кореляції є методологічними конвенціями, а не законами природи. Однакова r може мати різне теоретичне й практичне значення залежно від надійності вимірювання, популяції, базової варіативності, наслідків рішення та часової кумуляції ефекту.
У психології часто цитують старі навчальні пороги на кшталт .10, .30 і .50. Емпіричний огляд Gignac і Szodorai зібрав 708 метааналітично отриманих кореляцій у дослідженнях індивідуальних відмінностей: 25-й, 50-й і 75-й процентилі були приблизно .10, .20 і .30. Це корисний нормативний орієнтир саме для відповідного класу літератури, а не універсальна шкала для всієї психології.
Інша пропозиція, Funder і Ozer, радить оцінювати ефекти через змістовні наслідки та порівняння з реалістичними еталонами, а не через механічні ярлики. Автори показують, що навіть r = .05 або .10 може мати кумулятивне значення, тоді як дуже велика одинична кореляція потребує особливої уваги до точності оцінки та відтворюваності.
Коректна фраза має дві частини: числову оцінку та контекст. Наприклад: «r = −.30, тобто в цій вибірці спостерігалася від’ємна лінійна асоціація; її практичне значення оцінюємо з урахуванням довірчого інтервалу, попередніх досліджень і того, які наслідки має така величина в конкретній галузі».
Чи можна квадрат кореляції r² називати «відсотком впливу»
Ні. r² не є відсотком причинного впливу. У простій лінійній регресії з вільним членом R² дорівнює r² і описує частку варіативності Y у цій вибірці, яку відтворює лінійна модель з X. Це статистичний опис моделі, а не розклад причин.
Якщо r = .30, то r² = .09. Це не означає, що X «спричиняє 9% Y», не означає, що 9% людей зазнали впливу, і не означає, що 91% випадків не пов’язані з X. Причинне тлумачення потребує окремого дизайну й набору припущень. Крім того, Funder і Ozer застерігають, що автоматичне зведення важливості кореляції до r² може занижувати змістовне значення ефектів, особливо коли наслідки накопичуються.
Довірчий інтервал: наскільки точно оцінено кореляцію
Вибірковий коефіцієнт — це оцінка, а не точне знання генерального параметра. Дві вибірки з однієї популяції майже ніколи не дадуть абсолютно однакову r. Тому кореляцію варто подавати разом із інтервальною оцінкою невизначеності.
У класичному частотному підході 95% довірчий інтервал має процедурну інтерпретацію: якщо багато разів повторювати однакову процедуру вибірки та побудови інтервалу за виконання її припущень, приблизно 95% таких інтервалів накриватимуть істинний параметр. Для вже обчисленого конкретного інтервалу некоректно без зміни статистичної моделі казати, що «з імовірністю 95% істинна кореляція лежить усередині». Докладне пояснення є у статті «Довірчий інтервал: що означає 95% CI і як він показує невизначеність оцінки».
Для Пірсонової кореляції класичний інтервал часто будують через перетворення Фішера z. Його ширина різко залежить від n: мала вибірка допускає широкий діапазон правдоподібних величин, навіть якщо точкова оцінка виглядає вражаюче. Саме тому оцінка r без інтервалу може створювати зайве відчуття визначеності.
p-значення і статистична значущість кореляції
Перевірка нульової гіпотези для кореляції зазвичай ставить питання, наскільки дані сумісні з моделлю, у якій генеральний параметр кореляції дорівнює нулю, за визначених припущень. p-значення не є ймовірністю того, що нульова гіпотеза істинна, і не показує, наскільки сильний зв’язок.
Американська статистична асоціація у заяві про p-значення наголошує: p-значення не вимірює розмір ефекту або важливість результату, а науковий висновок не має спиратися лише на проходження порогу на кшталт .05. Детальний перелік поширених помилок також подають Greenland та співавтори.
У великій вибірці r = .08 може мати дуже мале p-значення, але залишатися малою асоціацією. У малій вибірці r = .35 може не перейти умовний поріг .05, але це не доводить відсутності зв’язку: інтервал може просто бути широким. Тому коефіцієнт, довірчий інтервал, p-значення й змістовна важливість відповідають на різні питання. Про це окремо: «Статистична значущість: що означає p < .05 і чому «значуще» не дорівнює важливому» та «Розмір ефекту: що він показує і чому потрібен поруч зі статистичною значущістю».
Розмір вибірки і стабільність кореляції
Кореляції в малих вибірках можуть сильно коливатися. У такій ситуації знак, величина й статистична значущість інколи помітно змінюються після додавання кількох спостережень. Це звичайна властивість вибіркової мінливості, а не доказ того, що сам метод ненадійний.
Симуляційна робота Schönbrodt і Perugini показала, що потрібний n для стабільної оцінки залежить від істинної величини кореляції, допустимого відхилення та бажаної впевненості в стабільності. У сценаріях, які автори вважали типовими, n мав наближатися приблизно до 250. Це не універсальна вимога «кореляцію можна рахувати лише від 250»: число походить із конкретного критерію стабільності й симуляційних умов.
Планування вибірки має виходити з мети. Для тесту гіпотези важливі очікуваний ефект, α та бажана потужність; для точної оцінки — бажана ширина інтервалу; для прогнозу — точність на нових даних. Один мінімальний n для всіх кореляційних досліджень методологічно беззмістовний.
Обмежений діапазон, викиди й суміші підгруп
Спостережувана кореляція залежить від того, які значення потрапили у вибірку. Якщо досліджувати лише людей із дуже вузьким діапазоном X, зв’язок може виглядати слабшим, ніж у ширшій цільовій популяції. Це називають обмеженням діапазону. Навпаки, штучне поєднання дуже різних груп може створити високу загальну кореляцію, якої майже немає всередині кожної групи.
Саме тому кореляцію не можна відривати від вибірки. Віковий діапазон, критерії включення, відбір за високими або низькими балами, клінічний чи неклінічний статус, спосіб набору учасників — усе це може змінити варіативність і спостережувану структуру зв’язків.
Викиди теж мають подвійний статус. Вони можуть бути помилками даних, а можуть бути справжніми спостереженнями з важливої частини популяції. Правильна реакція — перевірити походження, показати аналіз чутливості й прозоро повідомити правила обробки, а не автоматично видалити незручну точку через те, що після цього r стає «кращою».
Кореляційна матриця і проблема великої кількості перевірок
Коли змінних багато, дослідники часто будують кореляційну матрицю. Вона симетрична: кореляція X з Y дорівнює кореляції Y з X, а на головній діагоналі стоять одиниці. Матриця зручна для первинного огляду структури даних, перевірки теоретично очікуваних зв’язків і підготовки складніших моделей.
Однак із кількістю змінних швидко зростає кількість пар. Для 10 змінних є 45 унікальних парних кореляцій, для 20 — 190, для 50 — 1225. Якщо до кожної застосовувати окремий тест із α = .05 і потім показувати лише «цікаві» результати, ризик випадкових знахідок і селективної інтерпретації різко зростає.
Рішення залежить від мети: заздалегідь визначені ключові гіпотези, контроль сімейної помилки або частки хибних відкриттів там, де це доречно, чітке розрізнення підтверджувальних і дослідницьких аналізів, а також повне звітування. APA Journal Article Reporting Standards прямо підтримують прозорість щодо первинних, вторинних і дослідницьких аналізів.
Часткова кореляція і фраза «ми проконтролювали третю змінну»
Часткова кореляція описує асоціацію між X і Y після статистичного врахування однієї або кількох інших змінних у визначеній моделі. У лінійному випадку її можна розуміти через кореляцію залишків після видалення лінійно поясненої частини. Це корисна описова й аналітична операція, але слово «контроль» не означає автоматичного причинного контролю.
Щоб інтерпретувати скориговану асоціацію як причинний ефект, потрібні припущення про причинну структуру. Невиміряний конфаундер може залишити зміщення; неточно виміряний конфаундер — залишковий конфаундинг; а включення медіатора або колайдера може, навпаки, створити або посилити зміщення. Rohrer докладно показує, чому принцип «чим більше контрольних змінних, тим краще» не працює.
Отже, фраза «кореляція збереглася після контролю віку й статі» означає конкретний модельний результат. Вона не дорівнює твердженню «X незалежно спричиняє Y». Для другого потрібна причинна модель, часовий порядок, обґрунтований набір змінних і дизайн, здатний ідентифікувати цільовий ефект.
Кореляція не встановлює причинність
Навіть r = .90 не відповідає на питання «що станеться з Y, якщо ми втрутимося й змінимо X?». Сильна асоціація сумісна з прямим впливом X на Y, зворотним впливом Y на X, спільною причиною обох змінних, відбором у вибірку, систематичною похибкою вимірювання або їх комбінацією.
Часова послідовність допомагає, але сама не розв’язує проблему. Якщо X виміряли у вересні, а Y у грудні, ми знаємо, що конкретне вимірювання X передувало конкретному вимірюванню Y. Проте спільна причина могла існувати ще раніше, а обидва показники могли бути частиною взаємного процесу. Причинний висновок визначається дизайном та ідентифікаційними припущеннями, а не знаком чи величиною кореляції.
Для повної логіки альтернативних пояснень — конфаундингу, зворотної причинності, відбору, колайдерів і ролі експерименту — дивіться «Кореляція і причинність: чому зв’язок між змінними не доводить, що одна спричиняє іншу».
Умовний приклад: стрес і якість сну
Уявімо дослідження 200 студентів. У кожного виміряли навчальний стрес і якість сну, а діаграма розсіювання показала приблизно лінійний від’ємний патерн без одного домінантного викиду. Коефіцієнт Пірсона становить r = −.30. За класичним наближенням 95% довірчий інтервал приблизно від −.42 до −.17, а тест нульової кореляції дає p < .001. Числа тут суто ілюстративні й не є результатом конкретного емпіричного дослідження.
Коректна інтерпретація: у цій вибірці вищий виміряний стрес був пов’язаний із нижчою виміряною якістю сну; точкова оцінка лінійної асоціації r = −.30, а інтервал показує статистичну невизначеність оцінки за відповідних припущень. Мале p-значення свідчить про низьку сумісність даних із нульовою кореляцією в моделі тесту, але не означає, що «ймовірність випадковості менша за 0,1%» і не показує силу причинного впливу.
Некоректні висновки: «стрес погіршує сон на 30%»; «стрес пояснює причину 9% проблем зі сном»; «p < .001 доводить, що зв’язок сильний»; «оскільки інтервал не містить нуля, причинність встановлено». Навіть якщо r² = .09, це не перетворює асоціацію на причинний ефект. Потрібно знати дизайн, часову структуру, конфаундери, спосіб вимірювання й альтернативні пояснення.
Як правильно повідомляти результат кореляційного аналізу
Змістовний звіт дозволяє читачеві відтворити логіку аналізу й оцінити її межі. Для основної кореляції варто назвати коефіцієнт і пояснити, чому він відповідає даним; повідомити n, числове значення, напрям, інтервал невизначеності та p-значення, якщо проводився тест; показати графік, коли форма зв’язку має значення; описати роботу з пропусками й викидами; вказати, чи аналіз був запланованим або дослідницьким.
Якщо перевірялося багато кореляцій, потрібно повідомити обсяг сімейства аналізів і стратегію множинності. Якщо результат залежить від одного рішення — наприклад, видалення трьох спостережень або переходу від Пірсона до Спірмена — це частина результату, а не технічна дрібниця, яку можна приховати.
JARS для кількісних досліджень та звіт робочої групи Appelbaum та співавторів закріплюють загальний принцип: читач повинен бачити достатньо інформації про гіпотези, вибірку, аналітичні рішення, первинні й дослідницькі аналізи, щоб оцінити обґрунтованість висновків. Прозоре звітування не гарантує правильності моделі, але робить її доступною для критичної перевірки.
Типові помилки інтерпретації
«r = .60 означає 60% зв’язку або впливу»
Ні. r не є відсотком. Це стандартизований коефіцієнт із власною математичною шкалою. А r² в окремому простому лінійному контексті описує частку варіативності, відтвореної моделлю, але не відсоток причинного впливу.
«Кореляція близька до нуля, отже змінні не пов’язані»
Ні. Нульова лінійна кореляція не виключає нелінійну залежність. Потрібні графік і питання про форму зв’язку, яку ви справді хочете оцінити.
«Статистично значуща кореляція є сильною»
Ні. Статистична значущість залежить від величини оцінки, розміру вибірки, мінливості та моделі. Слабка r у великому n легко може мати дуже мале p-значення.
«Незначуща кореляція доводить відсутність ефекту»
Ні. Велике p-значення може бути сумісним із широким діапазоном позитивних і негативних параметрів, особливо за малої вибірки. Для тверджень про практичну відсутність зв’язку потрібні точніші критерії, інтервальна оцінка й за потреби спеціальні тести еквівалентності.
«Спірмен — це Пірсон без припущень»
Ні. Спірмен відповідає на інше питання — про монотонну рангову асоціацію — і має власні умови коректного статистичного висновку. Його не слід обирати лише тому, що тест нормальності дав p < .05.
«Після часткової кореляції причинність встановлена»
Ні. Часткова кореляція є умовною асоціацією в заданій моделі. Причинна інтерпретація залежить від того, які змінні контролюються, які пропущені й яку причинну структуру вважають правдоподібною.
«Висока кореляція означає, що два показники вимірюють те саме»
Ні. Висока асоціація може бути сумісною з близькими конструкціями, спільними причинами або перекриттям змісту, але питання психометричної валідності й розрізнюваності конструктів потребує окремої теорії вимірювання та відповідних методів. Сам r цього не вирішує.
Практичний алгоритм читання кореляції у психологічній статті
1. Визначте питання: автори описують асоціацію, роблять прогноз чи намагаються пояснити причинний ефект? Це три різні цілі.
2. Перевірте дизайн: як сформовано вибірку, коли вимірювали змінні, чи є повторні вимірювання, чи була експериментальна маніпуляція. Кореляційний коефіцієнт не замінює опис дизайну.
3. Подивіться на графік і розподіл: чи є лінійність або монотонність, викиди, кластери, обмежений діапазон, криволінійність, стеля або підлога.
4. З’ясуйте, чому обрано конкретний коефіцієнт. Для Пірсона важлива лінійна мета й адекватність параметричного висновку; для Спірмена — ранги та монотонність; для інших типів даних може бути потрібна інша міра асоціації.
5. Читайте оцінку разом із 95% довірчим інтервалом або іншою мірою невизначеності. Одне r без точності — неповний результат.
6. Відокремте p-значення від величини. p відповідає на питання сумісності з нульовою моделлю, а не на питання важливості.
7. Перевірте кількість аналізів. Якщо автори обчислили сотні кореляцій і показали кілька найменших p, висновок має інший статус, ніж заздалегідь визначена перевірка однієї гіпотези.
8. Шукайте аналіз чутливості: чи зберігається висновок без одного викиду, з обґрунтованим альтернативним коефіцієнтом, у підгрупах, за іншої обробки пропусків?
9. Перевірте причинну мову. «Пов’язано» й «асоціюється» описують статистичний зв’язок; «спричиняє», «зменшує», «веде до» потребують причинного дизайну або чітко обґрунтованої ідентифікаційної стратегії.
10. Порівняйте результат із зовнішніми даними. Одна кореляція в одній вибірці — оцінка. Реплікації, метааналізи й узгодженість із ширшою доказовою базою визначають, наскільки стабільним є патерн.
FAQ
Яке значення кореляції вважається сильним?
Універсальної межі немає. Абсолютне значення r = .30 може бути великим для однієї психологічної задачі й недостатнім для іншої. Використовуйте предметні еталони, довірчий інтервал, тип дослідження та практичні наслідки; навчальні пороги можна подавати лише як конвенції.
Що краще: Пірсон чи Спірмен?
Той коефіцієнт, який відповідає вашому питанню та структурі даних. Пірсон оцінює лінійний зв’язок кількісних змінних; Спірмен — монотонну рангову асоціацію. Рішення приймають за шкалою даних, формою зв’язку, викидами й моделлю висновку, а не за одним тестом нормальності.
Чи може кореляція бути більшою за 1?
Звичайні коефіцієнти Пірсона та Спірмена лежать у межах від −1 до +1. Значення поза цим діапазоном означає помилку обчислення, введення або інтерпретації.
Чи означає r = 0, що змінні незалежні?
Загалом ні. Нульова кореляція означає відсутність конкретного типу асоціації, який вимірює коефіцієнт. Для деяких спеціальних розподілів, зокрема спільної нормальності, нульова кореляція має сильніші наслідки, але в загальному випадку залежність може бути нелінійною.
Чи можна робити кореляцію для шкал Лайкерта?
Для одного порядкового пункту рангові підходи часто природніше відповідають рівню вимірювання. Для сумарних або середніх балів багатопунктових шкал рішення залежить від моделі вимірювання, кількості категорій, розподілу та мети аналізу. Питання психометричної якості шкали не вирішується самим вибором Пірсона або Спірмена.
Скільки учасників потрібно для кореляційного аналізу?
Єдиного мінімуму немає. n планують під конкретну мету: потужність для тесту гіпотези, бажану точність інтервальної оцінки, стабільність очікуваної величини та структуру вибірки. Малі вибірки дають нестабільніші оцінки, але магічного порогу, після якого будь-яка кореляція стає доброю, не існує.
Чи може кореляція бути статистично значущою, але практично неважливою?
Так. За великого n навіть дуже мала r може мати мале p-значення. Практична або теоретична важливість оцінюється через величину ефекту, невизначеність, контекст і наслідки, а не через сам факт p < .05.
Пов’язані статті
Джерела
Anscombe, F. J. (1973). Graphs in Statistical Analysis. The American Statistician, 27(1), 17–21. https://doi.org/10.1080/00031305.1973.10478966
Appelbaum, M., Cooper, H., Kline, R. B., Mayo-Wilson, E., Nezu, A. M., & Rao, S. M. (2018). Journal article reporting standards for quantitative research in psychology: The APA Publications and Communications Board task force report. American Psychologist, 73(1), 3–25. https://doi.org/10.1037/amp0000191
de Winter, J. C. F., Gosling, S. D., & Potter, J. (2016). Comparing the Pearson and Spearman correlation coefficients across distributions and sample sizes: A tutorial using simulations and empirical data. Psychological Methods, 21(3), 273–290. https://doi.org/10.1037/met0000079
Funder, D. C., & Ozer, D. J. (2019). Evaluating Effect Size in Psychological Research: Sense and Nonsense. Advances in Methods and Practices in Psychological Science, 2(2), 156–168. https://doi.org/10.1177/2515245919847202
Gignac, G. E., & Szodorai, E. T. (2016). Effect size guidelines for individual differences researchers. Personality and Individual Differences, 102, 74–78. https://doi.org/10.1016/j.paid.2016.06.069
Greenland, S., Senn, S. J., Rothman, K. J., Carlin, J. B., Poole, C., Goodman, S. N., & Altman, D. G. (2016). Statistical tests, P values, confidence intervals, and power: a guide to misinterpretations. European Journal of Epidemiology, 31, 337–350. https://doi.org/10.1007/s10654-016-0149-3
Rohrer, J. M. (2018). Thinking Clearly About Correlations and Causation: Graphical Causal Models for Observational Data. Advances in Methods and Practices in Psychological Science, 1(1), 27–42. https://doi.org/10.1177/2515245917745629
Schober, P., Boer, C., & Schwarte, L. A. (2018). Correlation Coefficients: Appropriate Use and Interpretation. Anesthesia & Analgesia, 126(5), 1763–1768. https://doi.org/10.1213/ANE.0000000000002864
Schönbrodt, F. D., & Perugini, M. (2013). At what sample size do correlations stabilize? Journal of Research in Personality, 47(5), 609–612. https://doi.org/10.1016/j.jrp.2013.05.009
Wasserstein, R. L., & Lazar, N. A. (2016). The ASA Statement on p-Values: Context, Process, and Purpose. The American Statistician, 70(2), 129–133. https://doi.org/10.1080/00031305.2016.1154108